Análisis del impacto de las acciones del jugador en un videojuego y narrativa mediante aprendizaje máquina

Abstract

Este trabajo explora la integración de modelos largos de lenguaje (LLMs, por sus siglas en inglés) en videojuegos para generar entornos y narrativas reactivas en función de las acciones del jugador. El objetivo principal ha sido diseñar e implementar un sistema capaz de interpretar interacciones con objetos o personajes no jugadores (NPC, por sus siglas en inglés) y generar respuestas estructuradas que modifiquen dinámicamente el entorno de juego. La herramienta desarrollada en Unreal Engine se conecta con un LLM mediante un sistema de comunicación en Python. Durante el desarrollo se evaluaron técnicas con Retrieval Augmented Generation (RAG) y Reflexion, aunque fueron descartadas por su elevado coste computacional, viabilidad baja y aumento considerable de latencia. Finalmente, se realizó una prueba con usuarios para valorar tanto la coherencia de las respuestas del modelo como la experiencia de inmersión. El trabajo demuestra el potencial de los LLMs para democratizar el diseño de videojuegos reactivamente complejos, incluso en entornos con recursos limitados. Este sistema no busca sustituir el trabajo de diseñadores o desarrolladores, sino ser una herramienta complementaria que amplíe sus capacidades creativas, facilitando la creación de escenarios reactivos mediante descripciones simples. También sirve como apoyo para detectar rutas no previstas y proporcionar retroalimentación contextual al jugador, manteniendo siempre la necesidad de una supervisión profesional y un diseño bien estructurado.

This work explores the integration of large language models (LLMs) in videogames to generate reactive environments and narratives based on player actions. The main goal was to design and implement a system capable of interpreting interactions with objects or non-player characters (NPCs) and generating structured responses that dynamically modify the game world. The tool, developed in Unreal Engine, is connected to a LLM through a communication system built in Python. During development, techniques such as Retrieval Augmented Generation (RAG) and Reflexion were evaluated, but ultimately discarded due to high computational cost, low feasibility, and increased latency. A user test was conducted to evaluate both the coherence of the model’s responses and the immersion experience. This project demonstrates the potential of LLMs to democratize the design of reactively complex video games, even in resource-constrained environments. The system is not intended to replace designers or developers but rather to serve as a complementary tool that enhances their creative capabilities, easing the creation of reactive scenarios using simple descriptions. It also supports the identification of unforeseen pathways and provides contextual feedback to players, always requiring professional supervision and a well structured design.